Anda di halaman 1dari 17

MAKALAH

EKONOMI MANAJERIAL

(ESTIMASI PERMINTAAN)

Oleh Kelompok 6 :

Henri T (A21115035)
Hasniar (A21116005)
Sutriani Irayanti (A21116031)
Fahrul (A21116302)
Hera Hediati (A21116518)

DEPARTEMEN MANAJEMEN

FAKULTAS EKONOMI DAN BISNIS

UNIVERSITAS HASANUDDIN

2017

1
PENDAHULUAN

Dalam makalah ini dimaksudkan untuk membahas tentang bagaimana


cara/metode yang biasa di dalam memperoleh data permintaan untuk memecahkan
masalah-masalah keputusan bisnis. Tentu saja harapannya adalah bahwa nilai informasi
yang dapat seharusnya lebih besar dibandingkan dengan biaya yang digunakan untuk
mendapaktan informasi tersebut.
Sebelum membahas persoalan diatas lebih jauh, terlebih dahulu kita bedakan
pengertian antara penapsiran (estimation) dan prakiraan (forecasting) permintaan.
Penaksiran permintaan merupakan proses untuk menemukan nilai dari koefisien-
koefisien fungsi permintaan akan suatu produk pada masa kini (curen values). Sedangkan
prakiraan permintaan merupakan proses menemuan nilai-nilai permintaan pada periode
waktu yang akan datang (future values). Nilai-nilai masa kini dibutuhkan untuk
mengevaluasi optimalitas penentuan harga sekarang dan kebijaksanaan promosi dan
untuk membuat keputusan sehari-hari. Nilai-nilai pada untuk waktu yang akan datang
diperlukan untuk perencanaan produksi, pengembangan produk baru, investasi, dan
keadaan-keadaan lain dimana keputusan yang harus dibuat mempunyai dampak pada
periode waktu yang panjang.
Sebagaimana diketahui bahwa fungsi permintaan dinyatakan sebagai fungsi dari
variabel harga atas produk itu sendiri, harga yang berhubungan dengan barang lain,
advertensi produk itu sendiri, advertensi barang lain, pendapatan konsumen, rasa, dan
harapan, serta variabel-variabel lain yang dianggap penting dalam penetapan estimasi
permintaan.

2
PEMBAHASAN

Metode Estimasi Permintaan.


Metode estimasi nilai koefisien beta dalam fungsi permintaan bisa digolongkan
baik sebagai yang langsung maupun tidak langsung.
Estimasi permintaan dengan metode langsung diperoleh melalui wawancara,
survay dan eksperimen paper, dalam mana pembeli potensial diberi pertanyaan tentang
reaksi yang mungkin muncul sebagai akibat adanya perubahan harga maupun perubahan
variabel lainnya. Metode tidak langsung estimasi permintaan merupakan bentuk analisis
statistika dengan tujuan untuk mengetahui perubahan permintaan sebagai akibat adanya
perubahan dalam variabel penting bebasnya, analisis ini dikenal dengan metode regresi

Interview dan Survey


Metode langsung estimasi permintaan, secara sederhana dapat dilakukan dengan
mengajukan pertanyaan kepada pembeli maupun pembeli potensial tentang reaksi-reaksi
petensial terhadap perubahan dalam harga ataupun determinan lain atas keputusan mereka
untuk membeli produk.
Pappas (Terjem. 1995:200), teknik ini dapat diterapkan secara naip dengan
semata-mata mencegat orang-orang yang berbelanja dan mengajukan pertanyaan-
pertanyaan tentang jumlah produkyang akan mereka beli di berbagai tingkat harga.
Dalam ekstrim lainnya, para pewawancara terlatih mengajukan pertanyaan- pertanyaan
yang canggih ke sebuah sampel pelanggan yang dipilih secara seksama untuk
menghasilkan informasi yang diinginkan.
Walaupun kelihatannya sederhana, dalam pelaksanaannya pendekatan ini
menghadapi banyak kesulitan, yaitu :
1. Keacakan random
Individu yang disurvey harus mewakili pasar secara keseluruhan sehingga hasilnya
tidak bisa. Oleh sebab itu sampel harus cukun besar dan menggunakan metode
random sehingga informasi pasar yang layak untuk mengadakan rencana perubahan.

3
2. Bias pewawancara.
Dalam hal ini kehadiran pewawancara dapat mempengaruhi perasaan responden
menjadi agak bodoh sehingga responden dapat memberikan jawaban-jawaban yang
tidak benar. Biasa pewawancara sering terjadi baik dalam personal interview, dan
bahkan koesioner yang diposkan sekalipun (sebab ada orang lain yang membacanya).
3. Adanya kesenjangan antara niat dan tindakan.
Arsyad (1993:169), masalah ini sering disebut juga sebagai masalah akurasi jawaban
(response accuracy). Konsumen benar-benar berniat membeli suatu produk ketika di
wawancarai, tetapi ketika dipasarkan mungkin sesuatu hal telah mengubah niat dan
pikiran konsumen tersebut. Akhirnya jawaban-jawaban responden juga tidak dapat
dipercaya bila pertanyaan yang diajukan membingungkan atau ditafsir salah atau
mengandung hal-hal di luar dunia imajinasi konsumen.

Secara ringkas bisa dikatakan bahwa dalam membuat koesioner, harus


dipikirkan masak-masak dan hati-hati dan harus disertai analisis dalam
menginterprestasikan hasil surpey. Berikut diberikan contoh hasil survey pasar.
Contoh :
Perusahaan produk kulit SYLVAIN bermaksud untuk memperkenalkan produk baru yaitu
dompet, ia ingin membuat estimasi kurva permintaan dengan jalan melakukan survey dan
menyebarkan kuisioner terhadap seribu orang yang sedang berbelanja barang-barang
sejenis. Setiap responden masing-masing ditanya tentang kemauannya untuk membeli
produk dompet pada berbagai tingkatan harga. Mereka diminta untuk memilih satu
diantara enam jawaban. Jawaban a. definitely no; b. not likely; c. perhaps; d. quite likely;
e. very likely; f. definitely yes. Analisa telah menetapkan distribusi probalitas pada setiap
enam jawaban tersebut adalah 0.0 untuk jawaban a; 0.2 untuk jawaban b; 0.4 untuk
jawaban c; 0.6 untuk jawaban d; 0.8 untuk jawaban e; dan 1.0 untuk jawaban f.

4
NUMBER OF PEOPLE RESPONDING AS
Price Expected
($) (a) (b) (c) (d) (e) (f) Quantity
9 500 300 125 50 25 0 160
8 300 225 175 150 100 50 335
7 100 150 250 250 150 100 500
6 50 100 100 300 250 200 640
5 0 25 50 225 300 800 800

Berdasarkan data tersebut kita dapat menghitung nilai harapan atas quantitas
permintaan dompet pada setiap tingkatn harga. Q pada harga $9.00 adalah sebanyak 160.
E(Q) = 500(0.0)+300(0.2)+125(0.4)+50(0.6)+25(0.8)+0(1.0) = 160 unit. Begitu pula untuk
perhitungan pada harga-harga yang lain adalah sama.
Dengan menempatkan koordinat kuantitas-harga yang ada pada tabel di atas pada
suatu grafik, tampak bahwa intercept kurva permintaan mendekati $10.00 dan slopenya
mendekati 5/800 atau 0.00625. Sehingga taksirah kurva permintaan tersebut adalah Px
= 10.00 0.00625Qx. Kemudian dari kurva permintaan tersebut, dapat ditentukan MR,
yaitu MRx = 10.00 0.0125Qx, karena kurva MR mempunyai intercept yang sama
dengan kurva permintaan, tetapi slopenya dua kali slope kurva permintaan. Kurva
permintaan dan kurva MR yang dimaksud seperti berikut :

5
Situasi Pasar Simulasi
Alat lain untuk melihat respon konsumen terhadap perubahan harga dan usaha
promosi adalah pembuatan pasar simulasi. Pasar simulasi dimaksudkan untuk
mempertimbangkan prilaku konsumen, dimana konsumen yang dipilih diberi uang
mainan dan disuruh berbelanja dipasar simulasi/buatan untuk kelompok partisipan yang
berbeda ditetapkan harga dan promosi yang berbeda pula. Bila partisipan dipilih dengan
tepat, maka respon mereka terhadap perubahan harga dan usaha promosi dapat
disimpulkan sama. Hasil dari uji pasar simulasi ini harus diamati dengan jeli. Cara
partisipan membelanjakan uang orang lain mungkin berbeda dengan cara mereka
membelanjakan uang sendiri. Kemungkinan lain adalah mereka akan memilih produk
tertentu bila harga diturunkan, ini hanya agar mereka nampak sebagai pembelanja yang
hemat dan bertanggung jawab. Metode ini mahal, karena biayanya relatif tinggi seharga
pembuatan pasar simulasi ini dipilih hanya sejumlah kecil sampel yang hasilnya
kemungkinan tak representatif. Berikut diberikan contaoh mengenai situasi pasar
simulasi.
Contoh ;
Brazilian Gold Caffee Company ingin tahu respon konsumen terhadap perubahan harga
dari produk kopi bubuk yang dibuatnya. 600 pembelanja dihimpun untuk suatu
eksperimen pasar simulasi dan dibagi menjadi 6 (enam) group. Anggota dari masing-
masing kelompok dipilih berdasarkan karekteristik sosio ekonominya. Setiap hari mereka
bebas berbelanja dalam 30 menit pada pasar buatan tersebut. Masing- masing partisipan
diberi 30 dolar uang mainan untuk membeli item-item yang ada. Brazilian Gold Coffee
disamping merek kopi yang sedang laku keras. Untk masing- masing kelompok
ditetapkan harga yang intercept mendekati $3.88 dan slope = - 0.0045. dengan demikian
Px = 3.88 0.0045Qx.
Dari kurva permintaan di atas dicari kurva MR yaitu MR = 3.88 0.009Qx (ingat
slopenya dua kali slope kurva permintaan) atau menghitung elastisitas harga permintaan
pada setiap tingkat harga. Arsyad (1995:174), bahwa dalam perhitungan elastisitas harga
digunakan kebalikan slope kurva permintaan, yaitu 1/-0.0045 atau -22.22, sebagai
dQx/dPx dan menghitung koordinat Px dan Qx dari kurva permintaan tersebut. Sebagai
contoh, elastisitas harga pada pada harga $3.59 adalah:

6
1.3. Eksperimen Pasar Secara Langsung
Eksperimen pasar secra langsung ini melibatkan orang-orang yang benar- benar
berada di situasi pasar sebenarnya yang membelanjakan uangnya untuk barang dan jasa
yang mereka inginkan. Perusahaan memilih satu kota atau lebih, pasar regional, atau
negara dan melakukan eksperimen pada pasar-pasar uji ini dirancang untuk mencari
tahu penerimaan konsumen atas produk dan mengidentifikasi dampak perubahan dari
satu variabel yang dapat dikendalikan atau lebih terhadap jumlah yang diminta. Sebagai
contoh, pada sebuah pasar regional perusahaan dapat memotong harga produknya sebesar
10% dan membandingkan reaksi penjualan pada pasar tersebut dengan pasar regional
serupa lainnya. Kemungkinan lain, perusahaan tersebut dapat meningkatkan promosi di
pasar tertentu untuk menilai dampak dari suatu perubahan sebelum menanggung biaya
dan resiko yang lebih besar untuk melakukan perubahan tersebut di seluruh wilayah
negara.

2. Analisis Regresi Permintaan Konsumen.


Adalah sebuah teknik statistik yang digunakan untuk menemukan ketergantungan
dari suatu variabel terhadap satu atau lebih variabel lain. Jadi teknik ini dapat diterapkan
untuk mencari nilai dari koefisien-koefisien tersebut menunjukkan pengaruh dari variabel
yang menentukan permintaan sebuah produk. Untuk analisis regresi, kita membutuhkan
sejumlah observasi, masing-masing terdiri dari variabel dependen Y dan nilai variabel
independen X yang berhubungan. Analisa regresi ini memungkinkan kita untuk menarik
kesimpulan dari pola hubungan yang ditunjukan oleh hasil opservasi. Dalam analisis ini
dapat digunakan data runtut- waktu (time series) maupun data seksi-silang (cross-
section).

7
Analisa Runtut Waktu Versus Waktu Seksi-Silang.
Analisa runtut waktu menggunakan observasi yang telah dicatat selama waktu
tertentu dalam situasi tertentu. Misalnya tingkat harga dan penjualan bulanan suatu
produk dari sebuah perusaan yang telah dikumpulkan selama enam atau dua belas bulan.
Satu malsalah dalam analisis ini adalah bahwa beberapa faktor yang dapat dikendalikan
yang mempengaruhi penjualan cendrung untuk berubah selama periode waktu tersebut,
sehingga beberapa perbedaan dalam ebservasi penjualan merupakan akibat dari pengaruh-
pengaruh ini, dan bukan karena pengaruh tingkat harga. Jika perubahan variabel-variabel
tak terkendali tersebut dapat diamati dan diukur, kita dapat memasukan variabel-variabel
ini sebagai variabel indevenden dalam analisis regresi. Misalnya, tindakan para pesaing
dan perubahan tingkat pendapatan konsumen sebaiknya dikuantifikasikan (secara
langsung atau dengan variabel proksi yang tepat) dan dimasukan kedalam analisis.
Sebaiknya, perubahan selera dan pola preferensi konsumen sulit diukur dan
diamati, walaupun kedua hal tersebut berubah sepanjang waktu. Kita dapat memasukkan
pengaruh selera dan faktor-faktor lain yang cendrung berubah sepanjang waktu tersebut
dengan cara memasukan variabel waktu sebagai variabel independen dalam analisis
regresi.
Analisis seksi silang menggunakan obsevasi-observasi dari perusahaan yang
berbeda dalam lingkungan bisnis yang sama. Dengan demikian, analisis ini bisa
mengurangi masalah yang ditimbulkan oleh perubahan variabel-variabel tak terkendali
sepanjang waktu, tetapi timbul faktor-faktor seperti efektifitas tenaga penjualan, posisi
aliran kas, tingkat kegiatan promosi, dan tujuan manajemen berbeda-beda antar
perusahaan, maka kesemua hal tersebut akan mempunyai dampak yang berbeda pula
terhadap tingkat penjualan. Sekali lagi, jika faktor-faktor ini dapat dikuantifikasikan dan
datanya dapat dimasukan kedalam analisis regresi untuk mengetahui dampaknya terhadap
variabel dependen.

Linieritas Persamaan Regresi.


Dengan hipotesis bahwa Y Adalah suatu fungsi dari X atau beberapa variabel X,
maka dapat ditentukan bentuk ketergantungan variabel Y terhadap variabel- variabel X.
dalam analisis regresi menurut "ketergantungan" dinyatakan dalam bentuk yang linier.
Dengan formulasi umum sebagai berikut :

8
Y = +1 X1 +2X2 + .+ nXn +e
dimana:
Y = nilai yang diprediksi
= konstanta
1.2 .3 = parameter
e = nilai residu/galat

Sebagai tambahan, bahwa apabila fungsi permintaan itu berbentuk hubungan non linier
seperti Y = X2 1.X21 , dimana variabel-variabel independen dalam kasus ini X1 dan
X2 mempunyai pengaruh multiplikasif terhadap variabel dependen Y, maka hubungan garis
lengkung ini dapat dinyatakan sebagai suatu hubungan garis lurus dengan transformasi
logaritma. Sehingga menjadi :

log Y = log +1 logX1 + 2 logX2 .

Pengestimasian Parameter-Parameter Regresi


Metode kuadrat terkecil sering disebut ordinary least squares (OLS), adalah
proses matematis untuk memilih intersep dan slope garis yang paling tepat diminumkan.
Jadi persamaan regresi menyatakan garis yang paling tepat. Garis tersebut dipilih
dengan prosedur matematis yang menempatkan garis tersebut sedemikian rupa sehingga
jumlah selisih/kesalahan kuadrat (residu/galat = e2 ) dapat diminimumkan. Kesalahan-
kesalahan dikuadratkan untuk menghindari penghilangan deviasi-deviasi negarif, dan
untuk lebih meratakan deviasi-deviasi yang lebih besar.
Perhitungan persamaan regresi secara mendalam tidak dijelaskan dalam makalah
ini sebab telah tersedia program-program komputer, tetapi disini secara sederhan
disajikan bagaimana cara mendapatkan dan tanpa pembuktian melalui formula sebagai
berikut :
= -

n XY - XY
= n .X2 - (Y)2

9
dimana Y adalah rata-rata aritmatika untuk nilai-nilai Y ; X adalah rata- rata aritmatika
untuk nilai X;
(sigma) melambangkan jumlah dan hal-hal yang dimaksud/ditujukan; dan n adalah
jumlah observasi atau titik data.

Contoh pengolahan data dengan metode OLS ditunjukan oleh label berikut :

Analisis OLS Atas Dasar


Data Penjualan Dan Harga 6 Toko.

Harga (X) Penj. (Y)


Toko XY
($) (000)
1 0.79 4,650 3,6735 0,6241 21,6225
2 0.99 3,020 2,9898 0,9801 9,1204
3 1.25 2,150 2,6875 1,5625 4,6225
4 0.89 4,400 3,9160 0,7921 19,3600
5 0.59 6,380 3,7642 0,3481 40,7044
6 0.49 5,500 2,4750 0,2075 30,2500
4.96 26,100 19,5060 4,5094 125,6798
(X) (Y) (XY) ( ) ( )

Dimana : X = 4,35 dan Y = 0,8267


Setelah dioleh, maka perhitungan garis regesi akan menghasilkan nilai = -5,0595 dan nilai
konstanta = 8,5327. Dengan demikian berarti bahwa fungsi regresi yang dihasilkan
mempunyai persamaan : Y = 8,5237 - 5,0595X.

Maka Y = 8,5327 - 5,0595X adalah "garis yang paling tepat" bagi data ini, dimana
penjualan (Y) dinyatakan dalam ribuan unit, intersep garis ini adalah 8,5327 unit pada
sumbu Y, dan slopenya adalah -5,0595 unit penjualan per rupiah kenaikan harga (yakni
50,595 unit untuk setiap sen kenaikan harga).
10
Persamaan regresi yang dihitung di atas menunjukan depenisi jumlah yang diminta atas
harga per unit. Dengan mudah dapat dikompersikan ke dalam bentuk P = + bQ yang
secara tradisional digunakan sebagai kurva permintaan. Bila Q dan P dalam persamaan
regresi substitusikan diperoleh :
Q = 8,5327 - 5,0595P
5,0595P - 8,5327 - Q
P = 1,6865 - 0,19765Q
Kurva marginal revenue diperoleh dari estimasi kurva permintaan ini, berdasarkan
pemahaman bahwa MR mempunyai intercept vertikal yang sama dan dua kali slope kurva
permintaan. Jadi MR = 1,6865 - 0,3953Q.
Misalnya pada harga (P) = 0.85, maka jumlah penjualan yang diharapkan
(Q) adalah :
Q = 8,5327 - 5,0595 (0.85)
Q = 4,2321

11
Dengan memasukkan nilai-nilai ini ke dalam rumus elastisitas titik, diperoleh
:

Elastisitas harga permintaan pada tingkat harga $0,85 sedikit sekali di atas satu,
menandakan bahwa total penerimaan akan tetap/konstan walaupun harga meningkat atau
turun dari harga $0.85 tersebut.

Koefisien Determinasi
Koefisien determinasi, biasanya dinyatakan dengan R2, adalah angka yang
menunjukan proporsi variasi variabel dependen yang dijelaskan oleh variasi variabel
independen.

Pengaruhnya R2 = 0,98. Ini menunjukan bahwa perubahan-perubahan pada


variabel-variabel independen menyebabkan 98% perubahan pada variabel dependen. Nilai
R2 = 1 menunjukan bahwa semua variabel y dijelaskan oleh variasi variabel X, dan
akibatnya, semua titik data akan terletak pada garis yang paling tepat. Sebaliknya, nilai R2
= 0,32 misalnya, akan menunjukan betapa lebar titik-titik data terpencar dengan variasi
yang relatif besar terhadap garis yang paling tepat dan adanya hubungan yang relatif
lemah antara variabel-variabel dependen dan independen.
Koefisien determinasi dapat dihitung dengan formulasi sebagai berikut:

Standar Error Estimasi


Standar erro estimasi adalah ukuran penyebaran (dispersi) data dari garis yang
paling tepat. Dengan standar error estimasi (Se)., kita dapat menghitung interval

12
konfidensi (sekitar nilai estimasi untuk variabel independen) untuk tingkat- tingkat
konfidensi yang berbeda. Interval konfindensi adalah kisaran nilai-nilai dimana observasi
aktual diharapkan terletak dalam prosentase tertentu pada waktu tertentu.
Standar error estimasi dapat dihitung dengan rumus berikut :

Daya Prediksi Persamaan Regresi


Standar error koefisien dalah ukuran atau ketetapan nlai yang telah dihitung,
yang merupakan koefisien yang mengestimasi hubungan marjinal antara variabel Y dan
variabel X. Standar error koefisien (S) bila relatif kecil, memungkinkan kita untuk
menyatakan keyakinan bahwa hasil perhitungan nilai sangat mendekati nilai yang
benar. Nilai yang besar dapat diverifikasi bila dipunyai populasi observasi yang
menyeluruh yang meliputi variabel-variabel Y dan X, tidak sekedar sebuah sampel.
Singkatnya, S adalah standar deviasi dari distribusi sampling .
Semakin kecil standar error koefisien, semakin besar keyakinan akan koefisien regresi
yang diperoleh dari data nilai-nilai X dan nilai Y.
Standar error koefisien dapat dirumuskan sebagai berikut :

2.7. Masalah-Masalah Dalam Analisa Regresi


Ada enam masalah utama yang harus diperhatikan dalam analisis regresi,
yaitu antara lain :
a. Kesalahan Spesifikasi.
Yang menyebabkan hasil regresi kurang dapat dipercaya antara lain disebabkan
oleh kekeliruan dalam menentukan hubungan antara variabel tidak bebas dengan variabel
bebas. Ada dua kemungkinan kesalahan tersebut, yang pertama adalah kesalahan dalam
menggunakan bentuk hubungan fungsi antar variabel. Misalnya bentuk hubungan yang
sesungguhnya tidak linier tetapi cetakan regresi yang dipakai menunjukan hubungan
13
linier. Sebenarnya dalam batas-batas tertentu landasan teori memberikan petunjuk
mengenai bentuk hubungan tersebut. Akan tetapi dalam menemukan bentuk yang tepat,
kita dapat menggunakan cara dengan mencoba berbagai bentuk persamaan. Bentuk
persamaan yang nilai R2 paling tinggi kita anggab paling tepat. Sedangkan yang kedua
kesalahan yang lain adalah kesalahandalam bentuk tidak memasukan variabel penjelasan
yang relevan. Masalah ini diminimumkan melalui pengkajian teoritik yang cukup
memadai. Mamang disamping itu dengan cara merubah komposisi variabel-variabel
penjelas, kita dapat mengatasi masalah ini.
b. Kesalahan Pengukuran
Kesalahan pengukuran dapat timbul dari berbagai sebab. Daftar pertanyaan atau
kuisioner yang kurang baik, wawancara yang kurang memadai, pendefinisian variabel
yang tidak betul, dan sebagainya dapat berakhir pada kurang dapat dipercayainya hasil
estimasi fungsi permintaan melalui besaran-besaran statistik R2 yang terlalu kecil,
statistik t yang terlalu kecil, statistik f yang terlalu kecil dan seterusnya.
c. Hubungan Persamaan Simultan
Dalam merancang sebuah fungsi regresi tidak dibenarkan adanya hubungan timbal
balik antara variabel tidak bebas dengan salah satu atau lebih variabel bebas. Bila
ketentuan ini dilanggar maka timbul apa yang disebut bias persamaan (equation bias).
Contoh yang sangat puler adalah penggunaan metode OLS untuk mengestimasi kurva
permintaan pasar, dimana terdapat hubungan timbal balik antara harga dan kuantitas yang
diminta. Kita dapat memperlakukan baik harta ataupun jumlah yang diminta sebagai
variabel bebas atau sebagai variabel tidak bebas. Hal ini disebabkan oleh baik darisegi
teori maupun dalam kenyataan keduanya ditentukan secara simultan (besamaan) oleh
kedua variabel itu sendiri.
d. Multikolinieritas
Multikolinieritas timbul sebagai akibat adanya hubungan kasual antara dua
variabel penjelas (variabel bebas) atau lebih, atau sebagai akibat adanya kenyatan bahwa
dua variabel penjelas atau lebih secara bersama-sama dipengaruhi oleh variabel ketiga
yang berada diluar sistem persamaan regresi.
Keberadaan multikolinieritas dapat ditemukan melalui tes korelasi antar variabel
penjelas. Kalau diketemukan korelasi yang tinggi, maka salah satu variabel penjelas
dilepas.

14
Dengan adanya multikolinieritas maka hasil estimasi koefisien regresi bersifat
bias. Analisa regresi tidak mampu menemukan hubungan yang benar dan kemampuan
prediksinya menjadi lemah. Namun demikian masalah adanya multikolinieritas dalam
fungsi regresi dapat ditoleransi apabila persamaan itu dimaksudkan untuk tujuan prediksi,
karena kita ingin mengetahui pengaruh seluruh variabel bebas bersama-sama dan bkan
untuk menjelaskan kekuatan-kekuatan hubungan masing-masing variabel bebas terhadap
variabel tidak bebas. Tetapi bila regresi digunakan untuk keperluan sebagai modal
penjelas, maka harus tidak ada multikolinieritas.
e. Heteroskedastisitas
Keadaan unsur ini dapat dilihat dari grafik distribusi nilai residuals. Kalau
grafiknya secara teratur membengkok atau mengecil dengan bertambah besarnya nilai
variabel penjelas, maka kita harus waspada dalam menginterprestasikan besaran statistik t
dan R2 karena kurang dapat dipercaya dengan kecendrungan terlalu tinggi diatas nilai
yang sebenarnya. Nilai kesalahan standar koefisien regresi memberikan indikasi yang
keliru. Masalah ini dapat diatasi dengan meninjau kembali komposisi variavel-variabel
penjelas dan merubah bentuk persamaan hubungan fungsional.
f. Otokorelasi atau serialkolerasi
Otokorelasi adalah masalah lain yang timbul bila kesalahan tidak sesuai dengan
batasan yang disyaratkan oleh analisis regresi. Otokorelasi atau serialkorelasi
hanyaterjadi kalau kita menggunakan data kurun waktu (times sries) dan ditandai oleh
pola kesalahan yang beruntun. Yakni besarnya kesalahan kian besar atau kecil. Yang
menunjukan pola siklus atau lainnya, karena observasi- observasi X disusun secara
kronologis, pola ini menandakan bahwa beberapa variabel lain berubah secara sistematis
dan mempengaruhi variabel dependen. Otokorelasi dapat ditemukan secara visual melalui
grafik times series residuals atau uji statistik Durbin Waston.
Otokorelasi dapat dihilangkan dengan menambahkan variabel yang dapat
menjelaskan perubahan yang sangat sistematis tersebut kedalam persamaan regresi.
Sebagai contoh, bila residu nampak mengikuti pola siklus, variabel dummy dibutuhkan
bagi perhitungan variasi musiman.

15
PENUTUP

Kesimpulan
Penaksiran permintaan berkaitan dengan cara memperoleh nilai-nilai parameter
pada fungsi permintaan yang cocok pada saat kini. Informasi ini penting bagi
pengambilan keputusan sekarang dan dalam mengevaluasi apakah keputusan- keputusan
sudah optimal dalam konteks situa permintaan sekarang.
Reaksi pembeli atas perubahan variabel-variabel independen dalam fungsi
permintaan dapat ditaksi dengan cara wawancara dan survey, membuat pasar simulasi,
atau eksperimen-eksperiman pasar secara langsung. Perhatian harus diarahkan untuk
memiliah sampel random yang cukup mencerminkan pasar sasaran, dan ukuran masing-
masing samperl harus cukup besar sehingga penemuan- penemuan itu dapat dipercaya.
Disain kuisioner penting bagi ketepatan prediksi dari wawancara dan survey. Intensi-
intensi konsumen tidak selalu akurat diterjemahkan ke dalam tindakan. Bias
pewawancara dan kurangnys minak konsumen atau informasi juga membuat distorsi
taksiran yang diperoleh.
Pasar simulasi dan eksperimen pasar secara langsung memungkinkan observasi
atau konsumen selama proses keputusan konsumsi, dan kesimpulan dapat ditarik dari
prilaku aktual konsumen. Perhatian harus diberikan untuk menghilangkan dampak dari
pengaruh-pengarh jangka panjang dan untuk memastikanapakah prilaku orang-orang
dalam klinik konsumen mencerminkan pola prolakunya yang lajim.teknik pemasaran
langsung memberikan kesempatan yang ideal untuk menguji dampak berbagai tingkat-
tingkat harga yang berbeda atau variabel-variabel strategik, dan pasar uji regional
berguna untuk mengetahi dampak dari berbagai strategik dari tingkat pengecer.
Analisa regresi dari data yang dikumpulkan memungkinkan perhitungan
koefisien-koefisien fungsi permintaan, juga perhitungan beberapa statistik yang
menunjukan keyakinan yang bisa digunakan untuk mendapatkan taksiran. Analisis regresi
adalah suatu alat yang sangat baik bila digunakan secara tepat untuk menaksir parameter-
parameter fungsi permintaan, berdasarkan kaitan observasi dengan data runtut waktu
maupun seksi silang. Kesalahan-kesalah yang dapat membuat validitas teknik diatas
berkurang telah diperlihatkan sehingga peneliti dapat merumuskan masalah untuk analisis
dengan lebih baik dan menginterprestasikan hasil-hasil analisis dengan lebih baik pula.

16
DAFTAR PUSTAKA

repository.usu.ac.id/bitstream/123456789/1245/1/manajemen-endang.pdf
Dauglas, Evan J., 1992, Managerial Economics-Analisys and Strategy , 4th
edition, New Jersey : Prentice-Hall Internasional Edition.

17